工作中是否经常遇到这样的场景：业务部门希望通过营销活动来提高产品的销量，但是预算是有限的。在预算允许范围内，如何更多的提升转化率是每个从事数据分析、数据挖掘人员需要面临的问题。

 

　　本篇将以银行营销活动相关数据为例，手把手教大家如何识别客户是否有意愿购买该银行的产品，针对高意愿客户进行精准营销来提升转化率。废话不多说，下面开始详细介绍我们的解决方案。

 



 

　　数据中包含客户基本信息、活动行为信息。在实际场景中，如果有客户的偏好信息，参与活动历史信息等，也可以加入其中。

 

　　数据预处理

 

　　1、 数据查看

 



 

　　我们可以看到数据共计 25317 行，空数据暂无，详情如下：

 



 

　　2、数据预处理

 

　　对源数据进行观察，可以发现分类字段有'unknown'这个类别，此时将该类别也当作缺失值，进一步查看

 



 

　　通常对于缺失值的处理，最常用的方法无外乎删除法、替换法和插补法。

 

　　1)删除法是指将缺失值所在的观测行删除(前提是缺失行的比例非常低，如 5%以内)，或者删除缺失值所对应的变量(前提是该变量中包含的缺失值比例非常高，如 70%左右)

　　2)替换法是指直接利用缺失变量的均值、中位数或众数替换该变量中的缺失值，其好处是缺失值的处理速度快，弊端是易产生有偏估计，导致缺失值替换的准确性下降

　　3)插补法则是利用有监督的机器学习方法(如回归模型、树模型、网络模型等)对缺失值作预测，其优势在于预测的准确性高，缺点是需要大量的计算，导致缺失值的处理速度大打折扣

 

　　这里观察到 contact 和 poutcome 的'unknow'类别分别达到 28.76%和 81.67%，在展示数据后考虑进一步处理，job 和 education 的 unknown 占比较小，考虑不对这两个特征的 unknow 进行处理。

 

　　数据分析

 

　　下面我们对源数据进行数据分析，数据字段分为离散变量和连续变量，下面我们将逐一进行分析。

 

　　1、离散变量

 

　　通过可视图我们可以对每个特征情况进行初步观察，方便分析这些特征是否会影响购买率。

 




 

　　2、连续变量

 

　　1)age 年龄



 

　　从上图我们可以看出两类客户的购买年龄分布差异不大;

　　2)balance 每年账户的平均余额



 

　　3)duration 最后一次联系的交流时长



 

　　4)campaign 在本次活动中，与该客户交流过的次数



 

　　5)pdays 距离上次活动最后一次联系该客户，过去了多久(999表示没有联系过)



 

　　6)previous 在本次活动之前，与该客户交流过的次数

 



 

　　特征工程

 

　　通过上述对每个特征进行数据分析，我们对数据有了大致了解，下面我们从数据平衡性、数据标准化等角度进行特征工程处理。

 

　　1、从训练集查看是否平衡数据集

 




 

　　我们可以看到是9:1，数据集是不平衡数据集

 

　　2、连续变量即数值化数据做标准化处理

 



 

　　3、分类变量做编码处理



 

　　4、不平衡数据集处理





 

　　数据建模

 

　　为了方便讲解，本篇使用逻辑回归进行数据分析建模，在实际工作场景中，我们可以使用随机森林、lgb、xgboost、DNN等模型都是可以的，根据具体场景和建模效果进行选择。

 




 

　　roc-auc曲线

 



 

　　上面我们进行了数据训练、数据预测、模型性能评估等操作。

 

　　结论

 

　　至此，业务方提出的场景问题，我已给出了解决方案，接下来就是模型迭代优化了。

转载自：https://www.aaa-cg.com.cn/?xmta7

在网上经常看到有人问“用户流失的原因”，“如何防止用户流失”。其实问题根源就在于用户管理方法不对，很多公司已经意识到这一点，并开始用先进的用户管理系统解决问题。那么，用户管理系统如何解决用户流失问题？下面就用几个必备功能进行实例说明，希望能为大家解决用户流失问题提供一些参考。
1、用户批量导入
很多企业的用户信息，经常分散在各种表格、手机、QQ、名片、纸上……查询、统计和管理起来，非常麻烦，时间久了这些用户就被慢慢遗忘或丢失。

用户管理系统在用户管理方面功能非常强大，能把公司所有历史的用户数据，无论表格、手机、QQ或其他系统中的用户，一键批量导入到系统进行集中管理，或者通过移动端名片扫描功能，自动识别和录入大量名片上的用户信息。这种方法不仅解决了用户信息记录、查找、统计和保存等一系列难题，也解决了用户资源丢失问题。市面上主流的CRM或者用户管理软件厂商，像Oracle、SAP、用友、智邦国际等，都支持用户批量导入，可以亲自拿数据导入测试一下。
2、客户跟进提醒
销售人员每天要跟进很多用户，特别容易忘记一些已经有过约定，但时间周期跨度较长的用户，从而导致这些用户的流失。

用户管理系统有用户跟进提醒功能。比如，待邮、待联、待查、待传真、待上门的用户，以及最新跟进、推荐联系、同事共享的用户等，这些都能设置提醒。系统每天自动汇总所有提醒，在一个界面集中展示，以便销售人员按照约定时间准时跟进用户。跟进用户时，点击洽谈进展就能查看之前所有的沟通内容，用户说过的关键信息一目了然，让用户感觉被公司放在心上，既能留下良好的印象，又能防止用户在漫长等待无果后投入同行怀抱。
3、客户循环利用
随着用户数量和销售人员逐渐增多，让管理人员头痛的是，分配下去的那些用户到底跟进了没有？跟进了多长时间？跟进的结果如何？……所有这些，每天只能凭下属口头或日程汇报，销售过程很粗放，很多用户因为跟进不及时，跟进方法不得当等，白白流失了。
先进的用户管理系统具备客户回收功能，可以很好的解决这个问题。用户管理系统能够从源头上解决用户记录、整合、保存、跟进、挖掘等一系列难题，帮助企业从各个层面防止用户流失，提高销售效率和业绩，已经成为企业解决用户管理问题的选择。
4、提高市场反应速度
客户与企业间是一种平等的交易关系，在双方获利的同时，企业还应尊重客户，认真对待客户提出的各种意见及抱怨，并真正重视起来，才能得到有效改进。在客户抱怨时，认真坐下来倾听，扮好听众的角色，有必要的话，甚至拿出笔记本将其要求记录下来，要让客户觉得自己得到了重视，自己的意见得到了重视。当然光仅仅是听还不够，还应及时调查客户的反映是否属实，迅速将解决方法及结果反馈给客户，并提请其监督。
5、提高产品质量

　

企业在竞争中为防止竞争对手挖走自己的客户，战胜对手，吸引更多的客户，就必须向客户提供比竞争对手具有更多"顾客让渡价值"的产品，这样，才能提高客户满意度并加大双方深入合作的可能性。为此，企业可以从两个方面改进自己的工作：一是通过改进产品、服务、人员和形象，提高产品的总价值；二是通过改善服务和促销网络系统，减少客户购买产品的时间、体力和精力的消耗，从而降低货币和非货币成本。
6、诚信原则
一个信守原则的人最会赢得客户的尊重和信任。因为客户也知道，满足一种需要并不是无条件的，而必须是在坚持一定原则下的满足。只有这样，客户才有理由相信你在推荐产品给他时同样遵守了一定的原则，他们才能放心与你合作和交往。

                                        
                                            


我们的很多生活轨迹，都在被各种软件记录下来。以至于在大数据的规划下，为我们提供的服务也越来越精细化。可以借势转型和突破，背靠大数据的收集、组织与分析，对企业追踪客户数据踪迹，开展个性化服务提升客户体验。那么究竟如何来利用


大数据分析


来提升客户体验呢？以下四种方式或许可以试一试：







　　1、挖掘“隐藏的”的大数据见解，全方位了解客户





　　以往，在大数据的初期，企业从从电子邮件和网站点击收集到见解，重塑他们的营销计划，通过产品推荐的形式为客户带来了个性化的体验，而现在，新的数据类型以及更加完善的工具、技术和分析功能，能够根据基于客户行为和事实的预测，发现更深入、更相关的客户见解。通过充分利用这些见解，市场营销活动能够从面向大客户细分市场宣讲，移向“单一细分市场”，提供极具针对性的相关消息和内容，从而能够准确满足联网客户的期望。





　　2.数据导向的战略，高效与客户进行交互





　　数据导向并非只了解客户购买的历史记录，而是深刻的挖掘客户的行为、兴趣和偏好，并从中找到关键点从而能够推动客户完成购买。客户何时、何地、提供什么信息，都基于在多个触点和时间段的大数据分析，而非是来自经验丰富的决策者的直觉与知识分析。





　　在此基础上，客户无论是线上购买还是实体店内购买，都能够获得更加个性化的体验，凭借对企业中库存的全面可见性，零售商可以为其客户提供在任何地方、以其希望的任何方式进行购物的便捷性，并保证可以为其提供所需的产品。在此基础之上，企业也可以显著提高客户参与度、满意度和长期品牌忠诚度。





　　3.开发分析生态系统，连接不同类型的数据





　　在当今充斥着全新和不同数据类型与海量数据的时代，零售商必须基于类型、数量、甚至使用方法，考虑“正确的”平台来存储数据，这就显得开发一种大数据战略和架构来支持分析生态系统显得极其重要。它应是一种可以随时提供数据并支持轻松进行浏览的生态系统。





　　轻松访问广泛的数据让零售商能有效的获得数据，而无需考虑数据源自哪里。开发分析生态系统，零售商可以快速浏览数据，发现新的见解，并推动快速实现价值。零售商还可受益于运营系统，如集成市场营销应用等，快速采用新的见解开展运营，使营销团队能够从管理活动转向管理整个品牌的客户互动。





　　4.将数据见解应用于企业的联网客户战略





　　成为数据导向不只是市场营销。数据导向战略适用于企业的各个方面，包括采购、电子商务、财务、供应链和商店等。通过充分利用高级分析方法，营销人员可推动建立以客户为中心的分类，改进定价和促销方案。跨渠道灵活执行选项提供了从任何地方购买、挑选或发运的能力，并能够进行优化以选择最佳的发货地点。





　　

通过大数据分析如何提升客户体验

.中琛魔方大数据表示：商店运营商可以使用传感器数据和分析来更好地了解流量和存储设备要求。知识渊博，技术熟练的销售人员可以提供更广泛，更及时的产品，以及近乎实时的库存信息。继续监控网络安全和网络，并始终回应任何潜在的威胁或问题，以维护客户的宝贵个人数据。










                                                            

                    

                                                    来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/69936596/viewspace-2649966/，如需转载，请注明出处，否则将追究法律责任。
                                            

                
转载于:http://blog.itpub.net/69936596/viewspace-2649966/

一、方案背景

客户至上，我们都希望服务好我们的客户群，同时能够最大程度地发挥客户价值。

所以当你上线了新的产品，当你希望二次推广，当你准备结合政策或热点做营销驱动业务增长，你都希望能让你的客户能够进行消费。

所以你准备了完美的产品或营销发布计划，内容、设计、主题、号召性用语、各方面渠道运营都很完美，消息覆盖面多达3W个客户。你美滋滋地期待能够有”10%“的转化，一天内至少3000个客户产生感兴趣或者直接购买的行为。

一小时、两小时、一天、两天、三天过去了，只有300多个客户好像感兴趣来联系了公司。

非常让人失望，不是吗？更何况我们不管是电商、零售、直销或B2B，我们不是都有专门的营销团队去做市场营销，去设计专业的文案。

为什么？因为不同的客户对消息会有不同的反应，有些客户对价格敏感，有些客户对新品感到兴奋，有些客户只有基本需求。

我们不需要向所有客户群体进行邀请，只需要对其中可能不到20%的目标优质客户下手就能事半功倍。

很明显，这就是我们要进行客户管理数据分析的原因，我们希望了解我们的客户，以便我们投放的资源是合理的。

因此我们提供了一个客户管理数据分析的解决方案便于参考，让您通过鼠标点击和拖拽就能够轻松地掌握客户管理的基础数据信息，同时识别最佳客户，学习客户管理里最通用的RFM客户价值管理模型，掌握客户流失、客户行为分析等综合分析，进一步体会到客户管理数据分析的妙用。你也可以再利用我们提供的数据自己再尝试性做一些客户管理数据分析的模板。

二、方案内容

本方案将给大家着重分享以下企业客户管理数据分析方面的内容干货：



 

1.如何快速搭建客户管理数据分析平台？

2.如何让业务部门人员直接基于客户数据快速完成客户基础数据分析？

3.如何让业务部门人员直接基于客户数据快速完成识别最佳客户？

4.如何让业务领导直接基于客户数据快速完成即席数据分析？

5.如何让企业客户管理数据分析成果实现团队协作共享？

三、方案效果及实现说明

1.如何快速搭建客户管理数据分析平台？

这部分工作属于企业IT部门的前期数据准备工作，需要IT部门在FineBI的数据配置-数据连接管理中新建好数据连接，保证数据连接测试成功。然后添加客户管理业务包，将相关数据表加入并且建好立表间关联关系即可（如果是FineIndex类型的业务包需要更新好FineIndex数据）。分配好对应数据权限之后，用户即可直接在浏览器前端来对这些客户管理数据进行即席的多维探索分析。



 

以本方案为例，如上图所示，我们在客户管理业务包中添加好客户基础信息表、消费记录表、消费产品信息表、客户等级表（会员等级），以及进步处理得到的交易RFM交易明细表，并且建立好维度表和事实表之间的数据关联关系。



 



 

最后在数据配置-权限配置管理界面中将建立好的客户管理业务包的权限分配给业务部门相关人员，并且在管理系统-用户管理中将对应授权人员加入到BI编辑用户的已授权列表中。

2.如何让业务部门人员直接基于客户数据快速完成客户基础数据分析？

数据底层搭建完，就可以使用分配好数据权限的账号登录平台，快速新建仪表板做基础数据分析了。



 

以客户基础信息为例，这里的客户是to C的零售客户信息，其它行业的客户基础数据信息同理。右下角的明细表是我们通常在做基础信息分析时最传统和熟悉的报表展现，可以通过一张明细表先把客户的基础属性拖拉出来，然后再针对其中的年龄、性别、职业、籍贯等我们更关心的一些客户具体属性做进一步分布、组成和对比分析，可以得到客户群体的基础属性全貌。



 

我们还希望研究当前我们客户当前的客户关系，如重要/不重要客户的分布及组成占比。一般重要/不重要的客户定义可以通过我们对客户打标签，比如对于金融机构而言，认为贡献金额大于1000万的为重要客户，我们更为关心。

3.如何让业务部门人员直接基于客户数据快速完成识别最佳客户？

a.客户行为分析



 

我们从客户日常的购物行为数据中，可以去对客户偏好的店面风格、偏好时间、偏好品类、偏好品牌、偏好地点去做进一步探究，以便于我们在采购或者营销时可以采取最佳的资源配置。其它企业同理，对于频繁发生商务行为的顾客，可以对该顾客的偏好进行分析，以对该类顾客针对性采取营销或者运营措施。

b.客户价值分析（RFM客户价值模型）



 

FineBI支持接洽各种的业务分析模型。这里是客户管理中最经典的RFM客户价值模型，是客户留存分析、客户流失分析、重点价值分析、客户行为分析的综合应用。利用RFM模型对客户进行细分的结果，可以开发出许多可视化数据分析模板，来通过一张相当经典的DashBoard来简要分析下RFM模型的具体应用。

1.矩形树图-客户价值分类：是整个RFM模型的核心，直观显示了8个客户群的人数及占比，可以联动到其它组件来查看具体某客户群下的情况。

2.试管型仪表盘-客户类型人数：显示各客户类型的具体人数

3.饼图-交易金额组成：由于我们最关心的是各客户群的价值贡献，所以研究不同人群的交易金额占比，可以得到哪个人群的贡献值较大，对于我们的价值更大。

4.点图-MF-R分布：横坐标为F交易频率，纵坐标为M交易金额，点大小为R上次交易间隔。通过MF分布来直观看到客户的消费能力分布，进而通过R的大小来锁定哪些客户更为忠诚。

5.点图-RF-M分布：横坐标为F交易频率，纵坐标为R上次交易间隔，点大小为M交易金额。通过RF分布来直观看到客户的消费异动情况，进而通过M的大小来判断哪些客户更有必要挽回。

6.点图-MR-F分布：横坐标为M交易金额，纵坐标为R上次交易间隔，点大小为F交易频率。通过MR分布来直观看到客户的消费潜能情况，进而通过F的大小来挖掘更有价值的客户。

7.分组表-交易明细：显示各客户类型下的客户交易明细。

这个DashBoard可以快速锁定我们关心的客户群体，确定他们的具体特征及名单。最后只要根据这个分析的结果来采取针对性的业务决策。



 

4.如何让业务领导直接基于客户数据快速完成即席数据分析？

除了以上给大家介绍的制作一些企业常用的客户管理数据分析之外，FineBI最大的特性就是随时满足业务人员或者企业领导的数据即席分析需求了，通过轻松的托拖拽拽操作，就能生成丰富多样的数据分析统计结果。



 

可以看到轻松拖拽就可以马上完成可视化，实现快速分析。

5.如何让企业客户管理数据分析成果实现团队协作共享？

企业的各项工作，主要由各部门团队分工协作完成，彼此之间需要很好地进行沟通和配合，那么FineBI是如何帮助企业将客户管理数据分析成果实现团队协作共享的呢？



 

以上文所述的RFM模型分析为例，那么通过FineBI可以非常便捷地将它分享给相关部门或者指定人员的。



 

例如这边想把它分享给销售的leader，那么可以在FineBI的仪表板中将做好的RFM模型分析模板点击分享给对应销售部的saleLeader，然后点击确定即可。这样一来，对应的Lisa登录之后就完全能够使用该模板。

关于客户管理的分析以上只是举了一个案例，告诉大家怎样去通过BI工具分析，具体的实操，大家可以尝试下。